本研究提出FlowDistill框架，旨在解决城市交通流预测中的时空依赖性和数据不足问题。该框架通过知识蒸馏实现轻量化，显著提高了预测的准确性和效率。

本研究解决了传统联邦学习方法在交通流预测中面临的挑战，尤其是在概念漂移导致性能下降的问题。提出的REFOL方法通过数据驱动的客户端参与机制和自适应在线优化策略，有效减少了计算和通信开销，同时优化了预测性能。实验结果表明，REFOL在预测精度和资源节省方面具有显著优势。

本文提出了一种新方法，利用时空深度学习和图卷积网络预测高速公路交通流量。该方法有效解决了数据不平衡问题，结合气象和日历特征，显著提高了预测准确性，并在商业应用中取得了实际效益。

本文探讨了图神经网络（GNN）和机器学习模型在气候、交通流和水文学预测中的应用。这些模型在复杂环境下能有效提高预测准确性，尤其在气体饱和度、降水和交通流量方面表现良好，误差较低。

本文提出了一种创新的三元注意力变换器，通过整合Triplet Attention Module，替代传统循环单元，提升了时空预测学习的效率和质量。实验结果显示，该方法在移动物体轨迹、交通流和人体动作捕捉等任务中表现优异，超越了现有技术。

本文探讨了多种递归神经网络（RNN）架构在交通流量预测和时间序列分析中的应用。研究表明，统计循环单元（SRU）和门控循环单元（GRU）在性能上优于传统的长短时记忆（LSTM）网络。新提出的Fusion-GRU网络在复杂交通场景中表现出色，能够有效预测交通参与者的未来位置。此外，相关递归单元（CRU）和SLi-GRU结构在时间序列预测和语音识别任务中也显示出显著的性能提升。

本文介绍了一种基于变压器的变化检测方法，利用混洗的稀疏注意力操作和特征融合模块，提升了语义变化的捕捉能力。同时，研究还提出了多种基于变压器的交通流量预测模型，展现了其在准确性和鲁棒性方面的优越性能。

本文介绍了多种新型交通预测模型，如空间-时间变换网络、时空神经网络和交通变换器。这些模型利用图神经网络、自注意机制和多头机制等技术，显著提升了交通流量预测的准确性和效率，尤其在真实数据集上表现优于现有方法，具有广泛的应用潜力。

我们提出了一种方法，通过随机化车辆跟随模型和变道模型的参数来随机化周围车辆的驾驶风格和行为。研究发现，该方法在高保真度微观交通流下的策略具有更高的成功率和更好的计算奖励。

该文介绍了一种新的空间-时间变换网络，利用图神经网络和自注意机制动态建模交通数据中的有向空间相关性，并利用长程双向时间依赖性来改善长期交通预测的准确性。实验结果表明，该模型在预测交通流量方面的性能要好于现有工作。

本文提出了一种新的多时空融合图循环网络(MSTFGRN)用于交通预测，通过数据驱动的加权邻接矩阵生成方法和双向时空融合操作来高效学习隐藏的空时依赖关系，并整合全局注意机制来同时捕获全局时空依赖性。实验结果表明，该方法在四个大规模真实世界交通数据集上实现了最先进的性能。

本研究结合神经网络和数值优化算法，实现了从交通流数据中推断出基于结构的约束，具有实时性和经济性。在大规模合成数据集和真实交通数据上验证了方法的稳定性和泛化能力。

本文研究了大型自动化仓库等场景下的智能体路径规划问题，提出了Rolling-Horizon Collision Resolution框架解决路径冲突。通过模拟仓库实例，与各种MAPF解算器比较，RHCR在多达1000个智能体的情况下，产生高质量的解决方案，优于现有工作。

该研究探讨了神经算子在预测紊流方面的应用，重点研究了傅立叶神经算子（FNO）模型。通过分析不同的模型配置，发现U-NET结构（UNO和U-FNET）在准确性和稳定性方面优于标准的FNO。梯度和稳定性损失等正则化项对于稳定而准确的预测至关重要。该研究强调了改进流体流动预测深度学习模型评估指标的必要性。进一步研究应该关注处理复杂流动和实际基准评估指标的模型。